一种基于局部回归的多尺度碳市场价格预测模型研究

碳市场价格呈现非线性、非平稳的复杂特性,准确预测具有较大的挑战。基于“分而治之”的思想,提出了一种基于局部回归的多尺度碳市场价格预测模型。提出的模型利用集成经验模态分解(EEMD)对碳市场价格时间序列进行分解。启发于EEMD局部特征分解的特点,对分解后的分量采用局部回归方法进行预测,然后将分量预测结果进行集成。采用的局部回归方法包括局部线性回归(LLP)、局部多项式回归、局部岭回归、局部主成分回归、局部偏最小二乘回归和局部套索回归。实验结果表明基于局部回归的多尺度预测模型具有优异的预测性能。在提出的模型中,EEMD-LLP结构简单且性能更为突出,进一步对EEMD-LLP参数的适应性进行探讨。与新近提出模型的对比结果表明了EEMD-LLP在碳市场价格预测中的有效性。     

非结构性数据驱动的混合分解集成碳交易价格组合预测

碳交易价格的有效预测有助于投资者合理决策以及政府制定科学的碳交易政策。本文提出一种非结构性数据驱动的混合分解集成碳交易价格组合预测方法。首先,基于百度指数获得碳交易相关非结构性数据,并利用主成分分析(PCA)方法提取其主成分。其次,对主成分序列与碳交易价格历史数据进行经验模态分解(EMD)、变分模态分解(VMD)与小波分解(WT),按频率高低重构后得到它们的高、低频序列和趋势项。然后,自适应选取自回归移动平均模型(ARIMA)、Holt指数平滑法和人工神经网络模型(ANN),结合非结构信息对碳价格的高、低频序列和趋势项进行预测。最后,基于BP神经网络等对三种分解方法的预测值分层集成,得到碳价格最终预测结果。对比实验结果显示,上述组合预测方法充分利用了多源信息,预测精度高且适用性良好。     

基于预测精度的多目标组合预测优化模型研究

考虑了组合预测精度的数学期望和预测精度的标准差这两个指标 ,建立了多目标规划组合预测最优化模型 ,并给出其数学规划的解法 .最后进行实例分析 ,结果令人满意 .该模型能反映不同时间序列预测方法有效性     

基于EMD-GA-BP与EMD-PSO-LSSVM的中国碳市场价格预测

由于碳交易市场价格的波动性大及相互影响关系的复杂性,本文试图构建碳价格长期和短期的最优预测模型。考虑到碳交易价格波动的趋势性和周期性特点,基于经验模态分解算法(EMD)、遗传算法(GA)—神经网络(BP)模型、粒子群算法(PSO)—最小二乘支持向量机(LSSVM)模型及由它们构建的组合预测模型,对中国碳市场交易价格进行短期预测和长期预测。实证分析中将影响碳交易价格的不同宏观经济因素和碳价格时间序列因素做为输入变量,分别代入组合模型进行预测。研究结果表明,在短期预测中,EMD-GA-BP模型预测效果优于GA-BP模型和PSO-LSSVM模型;而在长期预测中,组合模型EMD-PSO-LSSVM模型预测效果优于只考虑碳价格波动趋势性或周期性预测效果。     

基于VAR—GM(1.1)—SVR模型的房地产价格预测研究

为提高房地产价格预测精度,克服传统统计数据真实性低、时效性差的缺点,本文以网络搜索数据为基础,首先通过斯皮尔曼相关分析和时差相关分析筛选出与房地产价格具有高度相关性的先行关键词,并利用向量自回归模型(VAR)和GM(1.1)模型分别预测房地产价格;然后构建基于向量自回归模型和GM(1.1)模型的VAR—GM(1.1)—SVR模型将以上两个模型的预测结果进行预测融合,并以西安市数据为例进行验证,得出均方误差(MSE)和标准平均方差(NMSE)分别为0.97和0.03,优于单一模型预测效果.     

基于SARIMA-SVM组合模型的丙型肝炎发病率预测研究

基于SARIMA-SVM组合模型对丙型肝炎发病率进行预测研究.首先,利用2011年1月至2020年12月的发病率数据分别建立SARIMA模型、SVM模型和SARIMA-SVM组合模型;然后,利用2021年1月至12月的发病率数据验证模型的预测效果,并得出SARIMA-SVM组合模型的预测精度较高;最后,利用SARIMA...     

重油价格预测方法研究

近年来,全球重油产量呈下降趋势,但其市场需求却更加旺盛,因此,准确预测重油价格变动方向和程度,分析油价波动规律,探究油价影响因素,进一步预测油价未来走势,对全球经济发展具有一定的理论价值和现实指导意义.采用了时间序列ARIMA模型、Markov残差修正的灰色GM(1,1)模型以及线性回归下的GM(1,1)组合模型三种模...     

基于RS-BPNN模型对商品房价格的预测研究

为了克服传统预测方法的不足,采用RS-BPNN模型预测商品房价格.利用粗糙集理论确定影响商品房价格的主要因素,运用具有超强数据处理能力的BP神经网络,根据筛选的主要因素作为输入节点数,构建商品房价格的预测模型,然后通过实例进行仿真.结果表明,其预测精度远远超过传统预测方法.可见RS-BPNN模型在房地产价格预测领域具有很强的实用性.     

基于函数系数自回归模型的风速时间序列预测

准确预测风电场风速是解决风能对电力系统所造成的安全、稳定运行和电能质量等问题的有效途径之一.风速的难以预测是由于它的高度随机和非线性.基于一种非参数的非线性自回归随机模型来预测风速,模型的自回归系数随模型依赖变量的变化而变化,因而它有灵活的非线性结构.数值实验和比较结果表明了这种函数系数自回归模型在风电场风速预测中的有效性.     

基于组合模型的武隆景区长期游客流量预测

由于某景区经营权回购需进行景区游客量长期预测。为克服长期预测的不确定性,我们采用基于旅游地环境容量的LOGISTIC模型和考虑客源地旅游需求的回归迭代模型进行组合预测。前者包含旅游地的环境容量限制参数,主要基于供给制约因素结合时间序列数据进行预测。后者主要从客源地的人均收入、价格水平、价格弹性和收入弹性进行预测。然后整合两模型进行组合预测,对两种预测结果进行加权得到组合预测游客流量,很好地解决了集成旅游地环境容量、"申遗"前后与高速公路通车前后游客量变化、游客时间序列规律、客源地人均可支配收入、旅游地吸引力和旅游地生命周期等众多因素进行长期预测的问题。预测结果作为政府部门经营权回购中补偿额确定的主要依据,已被采用。     

基于稀疏自编码器的金融市场指数预测模型

针对高维数据"维数灾难"问题,降维是最典型的处理方式之一。降维技术不仅可以减弱"维数灾难"的负面影响,而且能够剔除高维数据中的冗余特征,从而提升高维数据回归、分类等任务的效率。高维数据通常呈现出复杂或非线性结构,恰当的降维方法可以有效地将高维特征数据投影至低维空间,以实现原始数据的非线性特征提取。本文尝试使用无监督学习模型稀疏自编码网络对金融高维数据进行非线性特征提取,将提取到的特征作为有监督学习模型BP神经网络的输入以预测指数收益率。更进一步地,为了验证稀疏自编码算法在特征提取方面的优势与有效性,本文引入稀疏主成分模型进行对比分析。实证分析显示:本文所使用的稀疏自编码网络能够较好地提取非线性特征并进行预测,其预测精度优于以稀疏主成分为代表的线性降维方法。     

基于ARIMA的油田A类物资市场价格预测

本文研究了油田A类物资的市场价格预测。采用时间序列方法中的ARIMA模型,结合油田物资历史价格数据,分析并提出了一套针对油田A类物资的市场价格预测模式。该模式包括两个模块:样本集模块和ARIMA模块。样本集模块的主要功能是样本集的输入和实时更新;ARIMA模块包括了价格预测模型的拟合、检验、预测、评价、动态反馈和调整等主要环节。在该模式的指导下,以大庆油田A类采购物资中的小螺纹钢(20-HRB335)(天津、石家庄和沈阳3个产地)为例,对2011年各月的市场价格进行了模拟预测,预测的平均相对误差分别控制在2.13%,1.64%和1.82%,该结果得到了用户的认可。该预测模式的运用对大庆油田物资集团制定合理的物资采购方案提供了依据。结论部分对该预测模式的意义及存在问题进行了分析,并给出改进建议。     

基于AGA-SVM的非线性组合预测模型

为提高预测精度,提出基于AGA-SVM的非线性组合预测模型.以组合预测模型的误差平方和最小为优化准则,用加速遗传算法对支持向量机参数进行优化选择,并利用支持向量机对单一模型的预测结果进行组合预测.算例结果表明,AGASVM综合利用了各单个预测模型的重要预测信息,其预测误差远远小于各单个模型的预测误差,其预测精度更高,模型的实用性更强.     

基于变系数回归模型的石油价格预测

石油作为不可或缺的能源和化工原料,在国民经济生产运行中占据重要地位.石油也是一种战略物资,在国防和国家安全领域发挥着不可替代的作用.因此,对国际市场上的石油价格波动进行预测,具有十分重要的意义。本文采用变系数回归模型,以WTI原油现货价格为例,进行了未来4个季度的季度平均价格预测.     

基于价格持续时间的中国股市日内风险价值预测

基于高频数据度量日内交易活动的风险是目前日内金融数据与风险管理中极具挑战性的研究课题之一。本文从实时交易的角度,使用中国股市分笔交易数据,基于价格持续时间的自回归条件持续时间(ACD)模型,研究日内不规则交易数据的风险测度,利用日内不等间隔波动模型估计了日内交易的即时条件波动率,对日内不等间隔风险价值进行了预测和检验。实证结果发现日内不等间隔风险价值模型能够比较好的刻画日内交易风险,股票投资者和市场监管者可以基于该工具对日内风险做出合理的预测,达到止损避险和控制风险的目的。     

基于灰色加权马尔可夫链的移动通信市场预测

在传统的用灰色预测模型预测的方法基础上,建立了灰色加权马尔可夫链模型.以中国移动通信市场预测作为实例,介绍了使用这种模型的方法与步骤.灰色加权马尔可夫链模型既考虑了从时间序列中挖掘数据的演变规律,又通过规范化各阶自相关系数为权重,用加权的马尔可夫转移概率矩阵的变换,考虑数据的随机波动,具有严密的科学性,能较好地应用于中国移动通信市场的预测.     

基于混合模型的原油价格混沌预测方法

针对原油现货价格的非线性和时变性特征,提出一种小波变换结合Elman神经网络和广义自回归条件异方差(GARCH)模型的混沌预测方法。首先利用小波变换将原油现货价格序列分解和重构成概貌序列和细节序列。其次对概貌序列和原油期货价格序列进行相空间重构,建立Elman神经网络的混沌时间序列模型预测概貌序列的未来值;同时以细节序列为历史数据,构建GARCH模型预测细节序列的未来值;最后将概貌序列和细节序列的未来值求和作为最终的预测值。实验证明该方法能够提供更准确的预测结果。     

基于不同角色下的做市商制金融市场模型研究

本文建立了一类做市商制金融市场模型,在该模型中,做市商扮演了投资者和供应商的两种角色。通过利用离散动力系统的稳定性、分支理论,考虑了不动点的存在性,以及重要参数对系统稳定性的影响,尤其是做市商在角色转换中对系统稳定性的影响。得出通过适当调整库存调节速率,对防止市场价格的剧烈波动有一定的作用。